거대 언어 모델이 컴퓨터 아키텍처 논문에 대해 단순 요약이 아닌, 핵심 메커니즘을 명시하고 숨겨진 가정을 드러내며, 해당 기여를 자체 범위를 넘어 연결하는 구조화된 비평적 이해를 수행할 수 있을까요? 우리는 다섯 개의 독립적인 전문가 페르소나 검토자와 적대적 합성(adversarial synthesis) 단계를 거쳐 논문을 분석하는 오픈 소스 파이프라인인 Gauntlet을 연구합니다. 20개의 ISCA 2025 및 HPCA 2026 논문에 대해, 열 명의 연구자가 각자 자신만의 분석을 작성한 후, 다른 사람들의 논문에 대한 인간 분석과 Gauntlet의 분석을 평가했습니다. 20번의 비교에서 평가자들은 Gauntlet을 15회 선호했으며 (인간이 4회, 동점 1회); 그 우위는 개별 분석가 총합(쌍별 Wilcoxon 검정, p < 0.01)에서 유의미하며 특히 '비판적 엄밀성(Critical Rigor)'에서 가장 두드러집니다. 인간이 승리하는 영역은 깊이가 아니라 신뢰도와 유용성입니다: 자신감 있는 오류 주장, 설명되었지만 가르쳐지지 않은 메커니즘, 또는 우선순위가 낮은 폭넓음의 경우입니다. 98개 논문에 대한 자동화된 제거 실험(automated ablation)을 통해 이 성능 향상이 다중 에이전트 구조에서 비롯됨을 보여줍니다—이 파이프라인은 단일 풍부한 페르소나 에이전트로 실행된 것보다 96%의 논문에서 우수합니다—그리고 특히 합성 단계에서 기인함을 보여줍니다. 우리는 모든 분석, 점수, 그리고 평가 기준표(rubric)를 커뮤니티 자원으로 공개합니다.